本文主要研究和探索遗传算法和并行算法在图象矢量量化编码中的应用。遗传算法的引入解决了LBG等经典算法所存在的缺点，同时提高了运行效率。在小波变换和矢量量化编码相结合的图象压缩编码中，采用遗传算法和并行计算提高了图象的压缩比和质量，以及运行效率。 　　本文提出了两种基于遗传算法的图象矢量量化编码算法，矢量量化的基本问题是码书设计和码字搜索。码书设计决定了压缩性能，是矢量量化的关键。传统的LBG和树结构等码书设计算法，因依赖初始码书或聚类种子，以及码书的自适应能力不强等原因，不易逼近全局最优解。遗传算法作为一种新的全局优化搜索算法，具有群体多样性、简单通用、鲁棒性强、适于并行处理等显著特点，得到了广泛应用。它能够在搜索过程中自动获取和积累有关搜索空间的知识，并自适应控制搜索过程以达到全局最优解，可以弥补传统码书设计算法的不足。本文根据遗传算法中染色体的不同选取方案，提出了基于训练序列和基于码书的码书设计算法，实验证明这两种算法都优于传统码书设计算法。 　　本文提出了基于DWT和遗传算法的图象矢量量化编码算法，图像小波多分辨率分解很好地模仿了人类视觉系统(HumanVisualSystem)处理图像信号的过程。小波图像系数在空间位置和内容上均存在相关性，采用矢量量化编码技术可以充分利用小波图像系数之间的相关性，因而可在较小的失真下得到较高的压缩比。根据不同图像在小波变换后矢量树的相似性特点，码书一且形成，各种情况的分布数据都可以使用此码书，极大地节省了每次训练码书的设计时间。小波变换与矢量量化技术相结合已成为一种有效的图象压缩编码方案。本文将遗传算法应用于小波变换与矢量量化技术相结合的图象压缩编码算法，在相同压缩比下改善了图象的质量。 　　本文进行了基于DWT和遗传算法的矢量量化编码算法的并行计算方面研究，对于通用的压缩方法，可以采用扩大训练集的范围来获得统计意义上的码书。但随着训练图像数的增加，计算量也必然增加。我们可以采用并行算法来提高计算速度。另外，小波变换后在HL,LH和HH三个不同子带进行独立的矢量量化，以及矢量量化中遗传算法的并行性，都有利于采用并行计算。本文设计了一种并行算法，并在基于PVM的机群环境下实现了该算法。实验证实了算法的合理性和有效性。